Yolo系列算法-理论部分-YOLOv2

0. 写在前面

        YOLO系列博客，紧接上一篇Yolo系列算法-理论部分-YOLOv1-CSDN博客

1. YOLOv2-更快更准

        2017年，Joseph在YOLOv1的基础上，进行了大量的改进，提出了YOLOv2和YOLO9000，解决v1版本中召回率和定位精度方面的不足。

1. 改进的网络适应多种尺寸的图片输入，并且能在检测精度和速度之间进行权衡；
2. 引入Anchor机制，利用K-Means聚类的方法在训练集中聚类计算出更好地Anchor模板，提高了算法的召回率，同时结合图像细粒度特征，将浅层特征与深层特征相连接，有助于对小尺寸目标的检测；
3. YOLO9000使用WorldTree混合来自不同资源的训练数据，并使用联合优化技术同时在ImageNet和COCO数据集上进行训练，能够实时地检测超过9000种物体。

2. 网络结构

        YOLOv2采用DarkNet-19作为特征提取网络，改进后的网络总结：

1. 与VGG相似，使用很多3×3卷积核，并且每一次池化后，下一层的卷积核通道数 = 池化输出的通道 × 2；
2. 在每一层的卷积后，都增加了批量标准化（Batch Normalization）进行预处理；
3. 采用降维的思想，把1×1的卷积置于3×3之间，用来压缩特征；
4. 在网络最后的输出增加了一个global average pooling层；
5. 整体上使用了19个卷积层，5个池化层。

3. DarkNet-19与YOLOv1和VGG16网络进行对比：

1.  VGG-16:大多数检测网络框架都是VGG-16作为基础特征提取器，功能强大，准确率高，但是计算复杂度较大，所以速度比较慢，YOLOv2网络结构上做了改进；
2. YOLOv1:基于GooLeNet的自定义网络，比VGG-16的速度更快，精度上不弱VGG-16;
3. DarkNet-19：速度方面处理一张图片相比于VGG快了6倍，在精度方面，在ImageNe上的测试也不错。

4. 具体改变方法

1. Batch Normalization(BN)
   1. BN对数据进行预处理（统一格式、均衡化、去噪等）能大大提高训练速度，提升训练效果；
   2. YOLOv2对每一层输入的数据都进行批量标准化，这样网络就不需要每层都去学习数据分布，收敛起来会变更快；
   3. 一般用在卷积或者池化之后，激活函数之前，Conv+BN+ReLU+Pooling。
2. 引入Anchor Box机制
   1. Yolov1设置了端对端，直接对边界框位置（x,yw,h）进行预测；因为没有R-CNN系列的推荐区域，前期的训练很难收敛；通过Anchors box通过筛选得到的代表性先验框Anchors，使得网络在训练时容易收敛；

      

   2. 在Faster R-CNN算法中，通过预测bounding box与ground truth的位置偏移值tx和ty，间接得到bounding box的位置，因为这个公式是无约束的，很容易向任何方向发生偏移，导致模型不稳定，故预测边界框中心点相对于该网格左上角坐标的相对偏移量，同时为了将bounding box的中心点约束在当前网格中，使用sigmoid函数将tx和ty归一化处理，将值约束在0-1之间，使模型训练更稳定。
3. Convolution With Anchor Boxes 
   1.  YOLOv1有一个致命的缺陷，一张图被分成7×7的网格，一个网格只能预测一个类，当一个网格中同时出现多个类时，就无法检测出所有类；
   2. YOLOv2将YOLOv1网络中的FC层和最后一个Pooling层去掉，使得最后的卷积层输出可以有更高的分辨率特征；
   3. 缩减网络，用416×416大小的输入代替原来的448×448，使得网络输出的特征图有奇数大小的宽和高，进而使得每个特征图在划分单元格的时候只有一个中心单元格，通过5个Pooling层进行下采样，得到输出是13×13的像素特征；
   4. 借鉴Faster R-CNN，YOLOv2通过引入Anchor Boxes，预测Anchor Box的偏移值与置信度，而不是直接预测坐标值；
   5. 采用Faster R-CNN中的方式，每个Cell可预测出9个Anchor Box，共13×13×9=1521个（YOLOv2确定Anchor Boxes的方法进行维度聚类，每个Cell选择5个Anchor Box）。比YOLOv1预测的98个bounding box要多很多，因此在定位精度方面有较好的改善。

4. Anchors的聚类方法

   1. YOLOv1的Anchor Box大小和比例都是按经验设定的，不具有代表性，网络不能自动学习到准确的预测为止；

   2. YOLOv2使用K-Means聚类方法得到的Anchor Box大小，选择具有代表性的尺寸，进行一开始的初始化，传统的K-Means聚类方法是使用标准的欧式距离作为距离度量，这意味着大的box会比小的box产生更多的错误；

   3. 改进距离度量公式，聚类的目的是使Anchor boxes和临近的ground truth boxes 有更大的IOU值，到聚类中心的距离越小越好，但IOU越大越好。      

5. 细粒度特征（Fine-Grained Features）

   1. 定义：不同层之间的特征融合，YOLOv2通过添加一个PassThrough Layer，把高分辨率的浅层特征连接到低分辨率的深层特征中，再进行融合和检测；
   2. 先获取浅层26×26的特征图，将其同最后输出的13×13的特征图进行连接，最后输入检测器进行检测；
   3. PassThrough Layer与ResNet网络中的shortcut类似，将高分辨率的特征图作为输入，将其连接到后面的低分辨率特征图上，经过该层之后，特征图缩小了4倍，channels增加了4倍。

5. 性能表现

        在VOC2007数据集上，YOLOv2在速度和精度上都比YOLOv1的效果好很多。